Abstract
The traditional BP neural network algorithm has some bugs such that it is easy to fall into local minimum and the slow convergence speed. Particle swarm optimization is an evolutionary computation technology based on swarm intelligence which can not guarantee global convergence. Artificial Bee Colony algorithm is a global optimum algorithm with many advantages such as simple, convenient and strong robust. In this paper, a new BP neural network based on Artificial Bee Colony algorithm and particle swarm optimization algorithm is proposed to optimize the weight and threshold value of BP neural network. After network traffic prediction experiment, we can conclude that optimized BP network traffic prediction based on PSO-ABC has high prediction accuracy and has stable prediction performance
چکیده
الگوریتم شبکه ی عصبی BP مرسوم مشکلاتی دارد از جمله اینکه به سادگی در مینیمم های محلی می افتد و یا اینکه سرعت همگرایی اش پایین است. بهینه سازی مجموعه ذرات یک تکنولوژی محاسباتی انقلابی برمبنای هوش جمعی است که می تواند همگرایی عمومی را تضمین کند. الگوریتم کلونی زنبورهای مصنوعی یک الگوریتم بهینه سازی عمومی است که مزایای بسیاری از قبیل ساده بودن، راحت (راهدست) بودن و قدرتمندی دارد. در این مقاله یک شبکه ی عصبی BP جدید بر مبنای الگوریتم کلونی زنبورهای مصنوعی و الگوریتم بهینه سازی مجموعه ذرات جهت بهینه نمودن وزن و مقدار آستانه ای شبکه ی عصبی BP ارائه شده است. پس از آزمون پیش بینی ترافیک شبکه، می توانیم نتیجه بگیریم که پیش بینی ترافیک شبکه ی BP بهینه شده بر مبنای PSO-ABC دقت پیش بینی بالا و کارآیی پیش بینی پایایی دارد.
1-مقدمه
با گسترش سریع و اتصال کامپیوترهای بیشتر به شبکه ی اینترنت، مقیاس اینترنت بسیار بزرگتر و پیچیده تر شده است. در راستای تحقق هدف اشتراک منابع، مقدار ترافیک شبکه افزایش یافته و مدیریت شبکه سنگین شده است. شکست ها و سؤال ها پی درپی به وجود می آیند و آنچه که بسیار مهم است درک مکانیزم کنترل و ویژگی های رفتاری پیچیده ی شبکه است. وضعیت ترافیک را میتوان طی پیش بینی ترافیک شبکه دانست، بنابراین ترافیک شبکه را می توان با دقت پیش بینی و آنالیز نمود که این برای طراحی و کنترل شبکه بسیار مفید است...